arXiv cs.AI· Abdulkader Helwan, Lina Abou-Abbas, Hussein El Amouri, Belkacem Chikhaoui, Khadidja Henni·· 12 小时前AI 评分31
DiffEEG：面向 EEG 癫痫相关表征学习的自监督去噪扩散模型
DiffEEG: A Self-Supervised Denoising Diffusion Model for Learning EEG seizure-related Representations
AI 导读
DiffEEG 是一个 9.6M 参数的自监督基础模型，通过去噪扩散预训练与强化学习微调实现 EEG 癫痫检测。模型在 TUHSZ 的 1.3M 无标注片段上预训练，采用 1D U-Net 与多头自注意力；在 279 名患者的 Leave-One-Fold-Out 评估中，二分类检测达 81% 准确率和 85% 加权 F1，四分类癫痫亚型为 61% 准确率和 59% F1。
正文 · AI 翻译
摘要：基于脑电图的癫痫发作检测深度学习面临关键挑战：标注严重稀缺和极端类别不平衡，其中发作事件占临床记录不足 10\%。我们提出 DiffEEG，一个 9.6M 参数的自监督基础模型，通过去噪扩散预训练和基于强化学习（RL）的微调来解决这两个局限。DiffEEG 在来自 Temple University Hospital Seizure Corpus（TUHSZ）的 130 万个无标注片段上预训练，通过带多头自注意力的 1D U-Net 学习通用神经表征。对于下游适配，强化决策层采用策略梯度优化直接最大化 F1 分数，优先考虑对罕见癫痫发作事件的敏感性而非整体准确率。在严格的患者级评估（279 名患者，留一折交叉验证）下，DiffEEG 在 4 类癫痫发作亚型分类中达到 61\% 准确率和 59\% F1，在二分类检测中达到 81\% 准确率和 85\% 加权 F1，尽管存在极端不平衡（患病率 6.7\%），仍保持临床可行的癫痫发作召回率（59\%）。片段级评估确立了 97.6\% 准确率的上界，证实了强大的架构能力。DiffEEG 表明，基于扩散的预训练结合指标感知的强化学习能够实现临床可部署的癫痫监测，且对标注数据需求极低。
| 评论： | 19 页，6 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；信号处理（eess.SP） |
| 引用为： | arXiv:2607.11578 [cs.LG] |
| （或 arXiv:2607.11578v2 [cs.LG] 为本版本） | |
| https://doi.org/10.48550/arXiv.2607.11578 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Lina Abou-Abbas [查看邮箱]
[v1]
2026 年 7 月 13 日星期一 13:59:45 UTC（744 KB）
[v2]
2026 年 10 月 20 日星期二 06:42:27 UTC（948 KB）
来源：arXiv cs.AI · arxiv.org